如何使用正则表达式提取指定关键词间的完整文本片段

原有正则的问题 #

你之前写的(numbers? (\d+|next)[,.]?\s?(\w+))存在两个核心问题：

• 用\w+仅能匹配连续的单词字符，碰到空格、标点就会停止，自然只能拿到分句的第一个单词
• 没有设置匹配终止边界，无法在碰到下一个number关键词时自动停止匹配，会出现匹配过短或者过长的问题

可用的正确正则写法 #

使用非贪婪匹配+正向零宽断言设置边界，正则模式如下：

r'number\s+(\d+|next)[,.]?\s*(.*?)(?=\s*number|$)'

各部分作用说明：

• number\s+：定位number关键词，匹配关键词后跟随的空白字符
• (\d+|next)：捕获第一个分组，即number后紧跟的数字/next标识
• [,.]?\s*：匹配标识后可能出现的逗号、句号、空白字符
• (.*?)：非贪婪模式匹配任意长度字符，即两个number之间的分句内容
• (?=\s*number|$)：正向零宽断言作为匹配终止边界：当匹配到下一个前置任意空白的number关键词，或者到达字符串末尾时就停止匹配，不会把下一段标识的内容纳入当前匹配结果

代码运行示例 #

import re

source_text = "The conditions are:  number 1, the patient is allergic to dust, number next, the patient has bronchitis, number 4, The patient heart rate is high."
pattern = r'number\s+(\d+|next)[,.]?\s*(.*?)(?=\s*number|$)'
match_res = re.findall(pattern, source_text)

# 拼接标识和后续内容，去掉末尾多余句号
final_res = [f"{tag}{content.rstrip('.')}" for tag, content in match_res]
print(final_res)

运行输出结果和预期完全一致：

[
    '1, the patient is allergic to dust, ',
    'next, the patient has bronchitis, ',
    '4, The patient heart rate is high'
]

内容的提问来源于stack exchange，提问作者mgilsn